计算机辅助诊断技术在胃肠道粘膜下病变诊断中的应用

发布时间：2017-09-13 19:35

  本文关键词：计算机辅助诊断技术在胃肠道粘膜下病变诊断中的应用

  更多相关文章： 超声内镜图像(EUS) 胃肠道粘膜下病变(SMLs) 平滑肌瘤 胃肠道间质瘤(GISTs) 图像分析 计算机辅助诊断(CAD)

【摘要】：胃肠道粘膜下病变(gastrointestinal submucosal lesions, SMLs)包含多种不同的病理类型。由于表面有正常的胃肠道粘膜,明确诊断有很大的那难度。超声内镜(endoscopic ultrasonography, EUS)可以很好的呈现SMLs的起源层次,肿块与组织的关系及肿块的回声性、内部回声等信息,是临床上诊断和鉴别诊断SMLs首选的检查。然而仅凭单一的EUS检查确诊SMLs的敏感性和特异性非常低,尤其是在诊断胃肠道间质瘤(gastrointestinal stromal tumors, GISTs)过程中。GISTs具有恶性生物学行为特征,早期可出现肝脏和腹腔转移。手术或内镜完全移除病变能够明显的改善GISTs的预后。虽然目前文献报道了病变的位置、大小及声像图特征有助于诊断和判断GISTs,然而这些特征的有效性和敏感性存在争议,且诊断标准不一。超声内镜引导下的细针穿刺术(Endoscopic ultrasound-guided fine-needle aspiration, EUS-FNA)的样本获取率受多种因素影响,且存在样本不足以评价GISTs良恶性的问题。因此,寻找一种无创的、客观的辅助EUS诊断SMLs手段,是临床内镜医师面临的巨大挑战。计算机辅助诊断(computer-aided diagnosis, CAD)技术是指运用计算机技术对EUS图像进行纹理特征的提取、分析,有效地增加图像信息获取,运用于病变的诊断、不同病理损害的鉴别诊断的方法,达到病变的诊断鉴别诊断目的[1]。目前多篇文献报道了CAD技术可应用于多种器官EUS图像的分类诊断,包括SMLs。我们团队之前利用计算机辅助EUS图像分析技术,提取胰腺癌和慢性胰腺炎EUS图像纹理特征,建立分类模型,成功的将胰腺癌和非胰腺癌的EUS图像分开。基于以上的报道和我们团队的CAD的理论基础,我们将这一技术应用于SMLs鉴别诊断中。本研究纳入了平滑肌瘤和四种不同危险度的GISTs(极低危、低危、中危和高危)的EUS图像,证明了CAD技术在SMLs诊断和GISTs良恶性鉴别中的应用价值。由于目前CAD技术都是对两分类样本进行鉴别诊断,在GISTs危险度的分类中,本研究首先将四类GISTs分为两类良性(极低危和低危)和恶性(中危和高危),构建两分类模型。最后我们以四中不同危险度GISTs的EUS,为样本集,首次尝试构建四分类模型。本研究分两部分：第一部分：计算机辅助图像诊断技术在鉴别诊断平滑肌瘤和胃肠道间质瘤中的应用目的：探究计算机辅助诊断技术在胃肠道间质瘤及平滑肌瘤超声内镜图像分类诊断中的应用价值。方法：回顾性收集2000年1月到2013年12月间内镜中心图文管理系统中行EUS检查并经组织病理学确诊的180例平滑肌瘤和180例GIST患者的EUS图像,选取一张图像清晰的具有典型病变的EUS图像、使用画图软件勾画感兴趣区域、截取不超过感兴趣区域的最大矩形子图。通过图像分析技术,提取11大类157维纹理特征,利用ReliefF权重法联合顺序前进法(Sequential ForwardSelection, SFS)对纹理特征进行筛减,获得最佳纹理组合,基于支撑向量机建立分类模型,使用十折交叉验证法验证模型分类性能,统计分类的准确率、敏感度、特异度、阳性预测值和阴性预测值。结果：最佳纹理特征组合包含3大类6维特征,此时分类准确率达最大(75%)。利用最佳纹理特征组合建立分类模型,采用十折交叉验证法划分360例样本集,训练并测试模型,最终分类准确率、敏感度、特异度、阳性预测值和阴性预测值分别为：75.28%、77.26%、73.61%、74.83%、76.63%。结论：计算机辅助诊断技术可用于间质瘤和平滑肌瘤EUS图像的分类诊断,为准确诊断胃肠道粘膜下病变提供了一个新的研究方向。第二部分：计算机辅助图像分析技术在上消化道间质瘤良恶性鉴别诊断中的应用目的：探讨计算机辅助诊断技术在上消化道间质瘤良恶性鉴别诊断中的应用价值方法：纳入经病理危险度分级的并行EUS检查的GISTs。将四种不同危险度的GISTs分为两类：良性(极低危和低危)和恶性(中危和高危),CAD技术对两类。然后,对四种不同危险度的GISTs进行分类。纹理特征提取方法和模型建立方法如第一部分所述。结果：本研究纳入了21例极低危GISTs,61例低危GISTs,29例中危GISTs和13例GISTs共124例GISTs EUS图像。经ReliefF权重法和SFS法选取最佳纹理特征组合,包含2大类2维特征,此时分类准确率达最大(75.9%)。利用最佳纹理特征组合建立分类模型,采用十折交叉验证法划分124例样本集,训练并测试模型,最终分类准确率、敏感度、特异度、阳性预测值和阴性预测值分别为：77.56%、94.03%、45.5%、77.27%、80%。结论：计算机辅助诊断技术可用胃肠道间质瘤的良恶性鉴别诊断,进一步寻找用于GISTs EUS图像分类的纹理特征可提高分类性能。依据上述研究结果本课题可以得出下列结论：1.计算机辅助诊断技术可用于胃肠道粘膜下病变的诊断和良恶性的判定,为临床内镜医师鉴别诊断平滑肌瘤和胃肠道间质瘤提供了新的诊断手段。2.寻找用于胃肠道粘膜下病变和间质瘤EUS图像分类的纹理特征是下一步研究方向。
【关键词】：超声内镜图像(EUS) 胃肠道粘膜下病变(SMLs) 平滑肌瘤 胃肠道间质瘤(GISTs) 图像分析 计算机辅助诊断(CAD)
【学位授予单位】：第二军医大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R735;R57
【目录】：

• 摘要6-9
• Abstract9-12
• 缩略词表12-13
• 前言13-16
• 第一部分：CAD技术在平滑肌瘤和胃肠道间质瘤EUS图像的分类诊断中的应用价值16-28
• 一、引言16-17
• 二、病例选择和方法17-20
• 三、结果20-24
• 四、讨论24-27
• 五、结论27-28
• 第二部分：计算机辅助图像分析技术在上消化道间质瘤良恶性鉴别诊断中的应用28-40
• 一、引言28-29
• 二、资料与方法29-33
• 三、结果33-37
• 四、讨论37-39
• 五、结论39-40
• 全文小结40-42
• 一、主要研究成果40
• 二、创新点40
• 三、优点40-41
• 四、不足之处与改进措施41
• 五、展望41-42
• 综述42-50
• 参考文献50-58
• 在读期间发表的论文情况58-59
• 致谢59

【共引文献】

中国期刊全文数据库 前6条

1 高智峰;叶含笑;陈祖华;;计算机辅助诊断在诊断GardenⅠ、Ⅱ型股骨颈骨折中应用价值[J];浙江中医药大学学报;2014年05期

2 张欣;王兵;杨颖;王苗;吴辰;张进兴;;胸部CT图像肺区域边界凹陷自动修补[J];计算机工程与应用;2013年24期

3 刘慧;张彩明;邓凯;苏志远;;改进局部自适应的快速FCM肺结节分割方法[J];计算机辅助设计与图形学学报;2014年10期

4 卢yN;龚彪;;超声在胰腺癌诊断中的应用进展[J];临床超声医学杂志;2015年02期

5 冯洁;黄晓俊;王祥;王伟;冯彦虎;;上消化道粘膜下肿瘤的内镜下诊断及治疗进展[J];现代生物医学进展;2014年07期

6 刘建华;王建伟;;基于图像处理的CT图像肝癌诊断技术研究[J];清华大学学报(自然科学版);2014年07期

中国博士学位论文全文数据库 前9条

1 张国鹏;三维纹理分析在虚拟结肠镜计算机辅助检测/诊断中的应用研究[D];第四军医大学;2013年

2 郝世杰;物体形状的表示与分析关键问题研究[D];合肥工业大学;2012年

3 史永军;内镜下经隧道治疗食管相关性疾病的临床研究[D];山东大学;2014年

4 张品;CT图像的肾脏组织分割及其病变检测方法的研究[D];南开大学;2014年

5 范瑾;超声及超声造影诊断肾上腺肿瘤的临床价值研究[D];南开大学;2014年

6 郭薇;面向多种医学图像的肺癌计算机辅助诊断关键技术研究[D];东北大学;2011年

7 韩芳芳;基于CT图像多维特征的肺结节检测和诊断方法研究[D];东北大学;2015年

8 裴晓敏;基于CT影像的孤立性肺结节检测关键技术研究[D];东北大学;2011年

9 王胜军;基于心脏CTA体数据的冠脉计算机辅助诊断系统核心技术研究与实现[D];东北大学;2011年

中国硕士学位论文全文数据库 前9条

1 李莹光;参数自动寻优的基于图论的乳腺肿瘤超声图像分割方法研究[D];华南理工大学;2013年

2 曾宇凡;基于医学图像的肝纤维化计算机辅助诊断研究[D];广西大学;2013年

3 郑冰;面向肺部CT影像表征的多层语义检索[D];哈尔滨工程大学;2013年

4 张远志;超声图像甲状腺肿瘤自动检测方法研究[D];西南交通大学;2014年

5 刘莹;内镜经黏膜下隧道肿瘤切除术治疗上消化道黏膜下肿瘤的探讨[D];山东大学;2014年

6 李梦雄;基于视觉计算和混合尺度局部特征的图像分类方法[D];西安电子科技大学;2014年

7 王茜;CT图像肺结节计算机辅助检测和三维可视化技术的研究[D];河北大学;2014年

8 杨飞彬;基于目标识别的乳腺肿瘤超声图像的自动分割方法研究[D];华南理工大学;2014年

9 常华丽;基于图论的三维乳腺肿瘤超声图像的分割方法研究[D];华南理工大学;2015年

，

本文编号：845503